基于DTI脑网络多变量分析的面孔识别能力个体差异的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-17页 |
| 1.1 面孔识别能力的研究意义 | 第12-14页 |
| 1.1.1 探究面孔识别脑网络的重要性 | 第12-13页 |
| 1.1.2 面孔识别脑网络的研究现状 | 第13-14页 |
| 1.2 本文研究工作 | 第14-16页 |
| 1.2.1 DTI与认知功能间的关系 | 第14-15页 |
| 1.2.2 研究创新点 | 第15页 |
| 1.2.3 主要研究内容及工作 | 第15-16页 |
| 1.3 本文组织结构 | 第16-17页 |
| 2 面孔识别能力的行为测量 | 第17-20页 |
| 2.1 面孔识别能力测试实验设计 | 第17-18页 |
| 2.2 面孔识别能力指标处理 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 3 弥散张量成像数据分析 | 第20-29页 |
| 3.1 弥散张量成像的基本原理 | 第20-21页 |
| 3.2 DTI图像数据分析 | 第21-27页 |
| 3.2.1 DTI图像预处理 | 第21-25页 |
| 3.2.2 从DTI图像中提取脑连接矩阵 | 第25-27页 |
| 3.3 本章小结 | 第27-29页 |
| 4 基于弹性网回归的面孔识别能力预测 | 第29-48页 |
| 4.1 特征提取流程 | 第29-31页 |
| 4.2 弹性网回归算法 | 第31-33页 |
| 4.3 弹性网回归在实验中的应用 | 第33-34页 |
| 4.3.1 对自变量的处理 | 第33页 |
| 4.3.2 以弹性网回归为基学习器建立模型 | 第33-34页 |
| 4.4 置换检验 | 第34-35页 |
| 4.5 实验结果 | 第35-39页 |
| 4.6 结果分析与讨论 | 第39-47页 |
| 4.7 本章小结 | 第47-48页 |
| 5 基于SVM的面孔识别能力分类 | 第48-64页 |
| 5.1 SVM介绍 | 第48-52页 |
| 5.2 ROC曲线与AUC值 | 第52-53页 |
| 5.3 建立SVM模型 | 第53-56页 |
| 5.3.1 对SVM建模的样本选择 | 第53-54页 |
| 5.3.2 建立SVM模型 | 第54-56页 |
| 5.4 SVM分类结果 | 第56-61页 |
| 5.5 结果分析与讨论 | 第61-62页 |
| 5.6 本章小结 | 第62-64页 |
| 6 总结与展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |
